Tensorflow(二)之基础知识初探

Tensorflow两个重要的概念，Tensor和flow。Tensor是张量，可以简单的理解为多维数组，表明了Tensorflow的数据结构。Flow是“流”，表达了张量之间通过计算相互转化的过程，表明了Tensorflow的计算模型。

1.数据模型-张量

    概述：

在Tensorflow中，数据结构都用张量表示。张量中并没有真正保存数字，而是保存了得到数字的计算过程。

   属性：

1）名字

意义：

有两重意义，一是张量的唯一标识符，二是表明张量如何被计算

形式：node:src_output

Node为节点的名称

src_optput表示当前张量来自节点的第几个输出

例：”add:0”表示该张量是计算节点“add”输出的第一个结果

2）维度

描述了张量的维度信息，比如shape=(2,)，说明了张量是一个一维数组，数组的长度为2。

3）类型

张量唯一的类型，Tensorflow会对参与运算的所有张量进行类型的检查。不指定类型，会使用默认的类型。 比如不带小数点的默认为int32，带小数点的默认为float32，一般使用dtype来明确指出变量或者常量的类型。支持14种不同类型，主要包括实数（tf.float32,tf.float64）、整数（tf.int8、tf.int16、tf.int32、tf.int64、tf.unit8）、布尔型（tf.bool）和复数（tf.complex64、tf.complex128）。

2.运行模型-会话

   作用:

   会话拥有并管理Tensorflow程序运行时的所有资源，所有计算完成以后需要关闭会话来帮助系统回收资源，否则可能出现资源泄露。

   会话模式：

   1）明确调用会话生成函数和关闭会话函数

sess = tf.Session() #创建一个会话

sess.run(….)  #通过会话得到运算结果

sess.close()  #关闭会话释放资源

   2）使用python上下文管理器使用会话

With tf.Session() as sess:

     sess.run(…)   #不需要调用session.close关闭会话，上下文退出时自动关闭会话释放资源

3.一般流程

1. 导入/生成样本数据集
2. 转换和归一化数据。将不符合Tensorflow期望形状的输入样本数据集进行格式转换。
3. 划分样本数据集为训练样本集、测试样本集合验证样本集。
4. 设置机器学习参数，即超参数。比如迭代次数、学习率以及其他固定参数。一般一次性初始化所有的机器学习参数。
5. 初始化变量和占位符。在损失函数最小化的求解过程中，Tensorflow通过占位符获取数据，并调整变量和权重/偏差。
6. 定义模型结构。通过选择操作、变量和占位符的值来构建计算图。
7. 声明损失函数。通过损失函数进行评估输出结果，说明预测值与实际值的差距。
8. 初始化模型和训练模型。Tensorflow通过创建计算图实例，通过占位符赋值，维护变量的状态信息。
9. 评估机器学习模型。通过训练和测试样本集的评估，可以确定学习模型是否过拟合或者欠拟合。
10. 调优超参数。可以通过交叉验证方式进行模型调优。
11. 发布及预测结果。

4.张量的基本使用

import tensorflow as tf
import numpy as np
# 1.使用张量
#  创建指定维度的零向量
zero_tsr = tf.zeros([10, 10])
#  创建指定维度的单位向量
ones_tsr = tf.ones([10, 10])
#  创建指定维度的常数填充的张量
fill_tsr = tf.fill([10, 10], 3)
#  用已知参数张量创建一个张量
constant_tsr = tf.constant([1, 2, 3])
#  根据给定的tensor创建类型大小一致的新的tensor
zero_similar = tf.zeros_like(constant_tsr)
ones_similar = tf.ones_like(constant_tsr)
#  序列向量，跟range()和numpy的linspace()相似
'''
tf.linspace(start, end, num)：这个函数主要的参数就这三个，start代表起始的值，end表示结束的值，num表示在这个区间里生成数字的个数，生成的数组是等间隔生成的。start和end这两个数字必须是浮点数，不能是整数，如果是整数会出错的，请注意！
np.linspace(start, end, num)：主要的参数也是这三个，我们平时用的时候绝大多数时候就是用这三个参数。start代表起始的值，end表示结束的值，num表示在这个区间里生成数字的个数，生成的数组是等间隔生成的。start和end这两个数字可以是整数或者浮点数！
精度不同产生的
'''
linear_tsr = tf.linspace(start=1.0, stop=20.0, num=10)
integer_tsr = tf.range(start=1, limit=21, delta=2)
numpy_array = np.linspace(1, 20, 10)
print(linear_tsr.eval(session=tf.Session()))
print(integer_tsr.eval(session=tf.Session()))
print(numpy_array)
# 随机向量
# 生成均匀分布的随机数  minval<=x<maxval
randunif_tsr = tf.random_uniform([2, 2], minval=0.0, maxval=1.0)
# 生成正态分布的随机数 mean: 正态分布的均值，默认为0 stddev: 正态分布的标准差，默认为1.0
randnorm_tsr = tf.random_normal([2, 2], mean=0.0, stddev=1.0)
# 生成带有指定边界的正态分布的随机数,生成的值遵循一个正态分布，但不会大于平均值2个标准差。
randtrun_tsr = tf.truncated_normal([2, 2], mean=0.0, stddev=1.0)
# 张量/数组的随机化
shuffled_output = tf.random_shuffle(input_tensor)
cropped_ouput = tf.random_crop(input_tensore, crop_size)
# 张量的随机裁剪,对有三通道颜色的图像随机裁剪
cropped_image = tf.random_crop(my_image,[height/2,width/2,3])